一种深度学习方法,使用心电图谱评分新生儿缺氧缺血脑病

科学领域:

• 生物医学工程 生物医学工程
• 新生儿神经病学 新生儿神经病学
• 计算医学是一种计算医学.

背景情况:

• 缺氧缺血性脑病变 (HIE) 是新生儿的严重疾病,由大脑缺氧造成.
• 准确的HIE分级对于确定治疗性低温症的适用性至关重要.
• 目前用于HIE分级的是脑电图 (EEG),但心电图 (ECG) 信号在新生儿病房更容易获得.

研究的目的:

• 探索和比较使用新生儿心电图信号进行自动HIE分级的两个不同的方法.
• 评估一种使用心电图谱的新型深度学习方法与经典特征提取方法的有效性.
• 建立ECG作为对EEG的可行和可访问的替代方案,用于HIE评估.

主要方法:

• 使用了大量新生儿心电图信号的数据集.
• 经典方法:心率 (HR) 计算,时间/频域特征提取和分类 (随机森林,多层感知子).
• 拟议的方法:直接从心电图信号中提取光谱图,输入到卷积神经网络.

主要成果:

• 与传统方法相比,拟议的深度学习方法实现了较高的曲线下面积 (AUC).
• 卷积神经网络方法绕过了耗时HR计算的需要.
• 深度学习模型在根据心电图数据对HIE进行分级时表现出更大的稳定性.

结论:

• 电心电图信号可以有效地用于自动HIE分级,为EEG提供更容易获得的替代方案.
• 使用心电图谱的深度学习方法是HIE评估的一个有希望和有效的方法.
• 这种技术可以提高临床决策,关于治疗性低温的新生儿与HIE.